論文の概要: Anisotropic Representations Improve Planning in JEPA World Models

• arxiv url: http://arxiv.org/abs/2609.37441v1
• Date: Tue, 29 Sep 2026 13:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.504221
• Title: Anisotropic Representations Improve Planning in JEPA World Models
• Title（参考訳）: 異方性表現はJEPA世界モデルにおける計画を改善する
• Abstract要約: 正確な予測と非崩壊表現は、タスク整合の遅延計画コストを保証しないことを示す。 固定トラスおよび異方性制約下での学習可能な対角共分散により、固定等方的ガウス対象を置き換える$RegのAnisoWMを導入する。 本分析では, 目標分散の予測による配分, トレーニング分布への依存性, 提案手法が計画的後悔を軽減する条件を特徴付ける。
• 参考スコア（独自算出の注目度）: 23.818052317701405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent world models learn action-conditioned dynamics in representation space and often score candidate actions by Euclidean distance to a goal representation. Joint training typically regularizes the representation to prevent collapse, but the resulting representation geometry also determines how terminal errors are weighted during planning. We show that accurate prediction and noncollapsed representations do not guarantee a task-aligned latent planning cost: isotropic Gaussian regularization can induce a geometry that ranks feasible outcomes differently from the task cost. To address this mismatch, we introduce AnisoWM with $Λ$Reg, which replaces the fixed isotropic Gaussian target with a learnable diagonal covariance under fixed-trace and anisotropy constraints. The prediction objective, predictor architecture, and Euclidean planner remain unchanged; the target is used only during training. Our analysis characterizes the prediction-driven allocation of target variance, its dependence on the training distribution, and the conditions under which the induced metric reduces planning regret. Across four visual control environments, AnisoWM improves planning success over LeWorldModel in all four. Its latent planning cost also shows better agreement with task outcomes. Project website: https://rkdrn79.github.io/AnisoWM-page/
• Abstract（参考訳）: 潜在世界モデルは、表現空間における行動条件付きダイナミクスを学び、しばしばユークリッド距離からゴール表現への候補アクションをスコアする。 共同トレーニングは通常、崩壊を防ぐために表現を正規化するが、結果として生じる表現幾何学は、計画中に終端誤差が重み付けされる方法も決定する。 等方的ガウス正規化は、タスクコストと異なる有意な結果をランク付けする幾何を誘導することができる。 このミスマッチに対処するために、固定等方的ガウス目標を固定トラスおよび異方性制約の下で学習可能な対角共分散に置き換える$$$RegでAnisoWMを導入する。 予測対象、予測アーキテクチャ、ユークリッドプランナーは変わらず、ターゲットは訓練時にのみ使用される。 本分析では, 目標分散の予測による配分, トレーニング分布への依存性, 提案手法が計画的後悔を軽減する条件を特徴付ける。 4つのビジュアルコントロール環境全体で、AnisoWMは4つすべてでLeWorldModelよりも計画の成功を改善する。 その潜在計画コストは、タスク結果とのより良い一致も示します。 プロジェクトウェブサイト: https://rkdrn79.github.io/AnisoWM-page/

関連論文リスト

• ATLAS: Aligned Transport of Latent Structure for Reliable World Model Planning [11.258874298221558]
  潜在限界のみを正規化することは、行動選択に使用される状態と状態の関係を決定できないことを示す。 我々は、関係幾何学を明示的に保存する訓練目的であるLAS Transport of Latent Structure (ATLAS)を紹介する。 ATLASは、PushT、TwoRoomエンコーダ、OGBench-Cubeの低次評価サブセットおよび高次評価サブセットにおける平均目標達成の成功を改善している。
  論文  参考訳（メタデータ） (2026-09-28T22:09:55Z)
• Control-Geometry Straightening for Sampling-Based Latent Planning [1.3218606066831913]
  本稿では,制御幾何学を直接直列化することにより,プランナーに優しい表現を学習する単一補助的損失である制御-幾何直線化(CGS)を導入する。 CGSは、ピクセル-アクション対からの局所的な遷移のみを用いて、対応する潜在差のうちのアクション間のペアワイズコサインの類似性を一致させる。 4つのコントロール環境と複数のプランナーにまたがって、CGSはより少ないサンプル候補と改善ステップで計画を改善する。
  論文  参考訳（メタデータ） (2026-09-28T16:51:33Z)
• Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring [68.0572999085608]
  本稿では,ガウス過程をよく校正されたディープ・アンサンブルに置き換えることで,経路計画の成果が向上するかどうかを考察する。 うまく校正された不確実性は、計画戦略の重要性を増幅する。
  論文  参考訳（メタデータ） (2026-09-28T08:23:13Z)
• Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
  複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。 状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。 動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
  論文  参考訳（メタデータ） (2026-09-27T14:12:27Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• SCALE: State-Calibrated Latent Embeddings for JEPA Planning in the Right Geometry [14.742804674497128]
  非崩壊表現を得るための2つの戦略は、事前訓練された特徴空間を継承し、非崩壊正則化を用いて埋め込み終端を学習することである。 課題関連情報が存在するかどうかだけでなく,計画者が消費する幾何を形作るかどうかにも依存することを示す。
  論文  参考訳（メタデータ） (2026-08-17T08:58:55Z)
• J-LAW: Joint Localization and Actionable World Modeling via Coupled Latent Factor Graphs [5.78717443304847]
  行動条件付き世界モデルは計画のためのコンパクトな潜在力学を学習するが、グローバルなメートル法一貫性は無視する。 J-LAW は、パラメータのポーズ、潜時世界状態、潜時ランドマークの埋め込みを協調的に最適化する結合因子グラフである。 MAP目標の確率的因子として,観察,行動条件予測,メートル法,ポーズ-潜時結合,潜時ループ閉鎖,潜時ランドマーク観察を行った。
  論文  参考訳（メタデータ） (2026-06-27T03:39:44Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Temporal Straightening for Latent Planning [58.131390107122456]
  潜時計画のための表現学習を改善するために時間的ストレート化を導入する。 曲率の減少は、ラテント空間におけるユークリッド距離が測地線距離のより良いプロキシとなることを示す。
  論文  参考訳（メタデータ） (2026-03-12T17:49:47Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。